CN104834808A - 基于bp神经网络的橡胶减振器使用寿命预测方法 - Google Patents
基于bp神经网络的橡胶减振器使用寿命预测方法 Download PDFInfo
- Publication number
- CN104834808A CN104834808A CN201510161451.8A CN201510161451A CN104834808A CN 104834808 A CN104834808 A CN 104834808A CN 201510161451 A CN201510161451 A CN 201510161451A CN 104834808 A CN104834808 A CN 104834808A
- Authority
- CN
- China
- Prior art keywords
- neural network
- shock absorber
- life
- rubber shock
- accelerated aging
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
- 229920001971 elastomer Polymers 0.000 title claims abstract description 101
- 239000006096 absorbing agent Substances 0.000 title claims abstract description 85
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000032683 aging Effects 0.000 claims abstract description 105
- 238000003062 neural network model Methods 0.000 claims abstract description 37
- 238000012360 testing method Methods 0.000 claims description 93
- 230000035939 shock Effects 0.000 claims description 76
- 238000012549 training Methods 0.000 claims description 52
- 210000002569 neuron Anatomy 0.000 claims description 22
- 230000014759 maintenance of location Effects 0.000 claims description 21
- 230000004913 activation Effects 0.000 claims description 10
- 230000029087 digestion Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 230000003679 aging effect Effects 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 241001269238 Data Species 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 2
- 238000003672 processing method Methods 0.000 claims description 2
- 238000011160 research Methods 0.000 abstract description 6
- 230000007547 defect Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 29
- 238000006243 chemical reaction Methods 0.000 description 8
- 238000002474 experimental method Methods 0.000 description 8
- 230000003068 static effect Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 230000005284 excitation Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000003607 modifier Substances 0.000 description 3
- 230000001537 neural effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000013536 elastomeric material Substances 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000007634 remodeling Methods 0.000 description 1
- 229920002725 thermoplastic elastomer Polymers 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 239000004636 vulcanized rubber Substances 0.000 description 1
Landscapes
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
Abstract
本发明公开了一种基于BP神经网络的橡胶减振器使用寿命预测方法，先建立橡胶减振器老化寿命的BP神经网络模型，再根据所建立的橡胶减振器的老化寿命的BP神经网络模型，结合疲劳寿命，建立橡胶减振器使用寿命的BP神经网络模型，最后利用使用寿命的BP神经网络模型预测使用寿命。本发明将影响橡胶减振器使用的老化因素与疲劳因素结合在一起，合理的建立橡胶减振器的使用寿命预测模型，较为准确的预测出减振器在收到老化和疲劳共同作用时的使用寿命，克服了对老化寿命和疲劳寿命分开研究产生的对橡胶减振器的使用寿命预测不准确的缺点。
Description
技术领域
本发明涉及橡胶减振器寿命预测技术领域，具体涉及一种基于BP神经网络来预测橡胶减振器的使用寿命的方法。
背景技术
橡胶减振器具有制品弹性参数可调，可以衰减、吸收低频、高频振动和噪声，冲击刚度大于动刚度和静刚度，以及体积小、重量轻、免维护等优点，故在各个领域中广泛采用。但是橡胶减振器在实际使用过程中由于存在应力应变的疲劳破坏和橡胶材料老化的影响，有一个使用寿命的问题，橡胶减振器的使用寿命同时受到减振器老化和疲劳相互作用的制约。橡胶材料一旦发生疲劳破坏和老化，橡胶减振器的刚度和阻尼参数将会逐渐偏离设计值，其隔振抗冲性能也即受到直接影响。如果能准确的预测橡胶减振器的老化和疲劳寿命，制定准确的维护、保养及更换的操作规程，可以大大减少运营检修成本。因此合理预测橡胶减振器的使用寿命，已成为橡胶减振器工程设计和应用中一项急需解决的问题。
到目前为止，国内外多是将橡胶的老化寿命和疲劳寿命分开研究。
在研究橡胶老化寿命时，国内外利用加速老化预测橡胶老化寿命，多选择经验公式，计算老化性能临界值和反应速率，即动力学处理方法。无论是根据《HG-T3087-2001静密封橡胶零件贮存期快速测定方法》和《GBT 20028-2005硫化橡胶或热塑性橡胶应用阿累尼乌斯图推算寿命和最高使用温度》，在利用Arrhenius方程进行预测时，由于Arrhenius方程中把活化能E在各个温度下看做是不变量，而且对经验公式中a值的选择也很大程度上影响了预测结果，这都造成橡胶材料寿命预测寿命模型的失真问题。同时对于橡胶减振器这一类的橡胶制品直接利用橡胶试样的扯断伸长率等来表征橡胶制品的性能，会造成对橡胶制品的整体老化寿命进行预测结果的不准确。
在研究橡胶的疲劳寿命时，现在多是应用基于断裂力学的裂纹扩展能量判据来表征橡胶的疲劳寿命，但是研究是基于裂纹扩展的标准试样，对于预测类似减振器这样形状复杂的橡胶制品的疲劳寿命有一定的局限性。
发明内容
针对上述的现有预测技术的不足，本发明提供了一种基于BP神经网络的橡胶减振器使用寿命预测方法，研究受到老化与疲劳双重作用的橡胶减振器。该方法通过加速老化实验数据和疲劳实验数据进行建立两次神经网络，第一次建立橡胶减振器老化寿命的神经网络模型，第二次建立起老化和疲劳叠加作用的橡胶减振器使用寿命的神经网络模型，从而推测常温下的橡胶减振器使用寿命。
本发明为了实现上述目的，采用的技术解决方案是：
一种基于BP神经网络的橡胶减振器使用寿命预测方法，该方法包括以下步骤：
步骤1、建立橡胶减振器老化寿命的BP神经网络模型，其中进行加速老化试验时，在不同加速老化试验温度和加速老化试验时间条件下进行老化试验，并测量性能保持率，将这些实验数据作为该老化寿命的BP神经网络模型的训练样本；
运用建立的老化寿命的BP神经网络模型预测老化寿命，即建立起橡胶减振器老化性能达到某性能保持率时，某一加速老化试验温度T下的加速老化试验时间与常温下的老化时间的对应关系；
步骤2、建立橡胶减振器使用寿命的BP神经网络模型，该建立方法包括：
步骤21、取工作M年的旧件，测量其性能保持率为P，由所述步骤1中的老化寿命的BP神经网络模型得出，常温下橡胶减振器使用M年对应加速老化试验温度T下的加速老化试验时间m天；
正常工作M年的旧件同时受到老化和疲劳的作用，此时，仅老化后的橡胶减振器的性能保持率达不到P，将新件在温度下T下进行加速老化试验m天后，再进行疲劳试验，当疲劳试验的疲劳载荷为N次时，橡胶减振器的性能保持率达到P；
对于疲劳，我们认为每年的疲劳载荷是均匀且相等的，得出每年的平均载荷用表示；
步骤22、取多个旧件，先利用步骤1中的老化寿命的BP神经网络模型预测出在某加速老化试验温度下的加速老化试验时间，再根据预测结果对旧件进行加速老化试验，然后对老化试验完的橡胶减振器进行疲劳试验，该疲劳试验的疲劳载荷根据该旧件的工作时间及所述步骤21中计算得到的平均载荷计算得到，最后对进行完疲劳试验的橡胶减振器测量性能保持率，将采用上述方法得到的实验数据作为该建立使用寿命的BP神经网络的训练样本；
步骤3、运用步骤2所建立的使用寿命的BP神经网络模型来对橡胶减振器的使用寿命进行预测，预测出在工作温度下的橡胶减振器的使用寿命。
性能保持率用下式表示
其中P为性能保持率，K为实验后橡胶减振器的静刚度，K1为未实验的橡胶减振器的静刚度。
该方法在研究橡胶老化寿命时，克服了利用经验公式计算老化性能临界值和反应速率时，对经验公式中a值的选择带来的误差，从而减少了对寿命预测寿命模型的失真问题。同时用橡胶减振器的静刚度来表征减振器的性能，更能准确且有代表性的表征橡胶减振器这类橡胶制品的性能变化。
同时，相比较现有技术中应用基于断裂力学的裂纹扩展能量判据来表征橡胶的疲劳寿命的方法对研究基于裂纹扩展的标准试样的局限性，本技术方案对于预测类似橡胶减振器这样形状复杂的橡胶制品的疲劳寿命非常有效。
如上所述的基于BP神经网络的橡胶减振器使用寿命预测方法，所述步骤1和步骤2中BP神经网络结构包括网络的层数、每层的神经元个数和激活函数，两个BP神经网络的网络层数均为三层，分别为输入层、隐含层和输出层，输入层的神经元个数均为两个，输出层的神经元个数均为一个，隐含层神经元的个数均通过经验公式推算和试凑调整决定，激活函数均为S型激活函数。其中步骤1中BP神经网络的输入参数和输出参数可根据实际需要选择，本技术方案设定该BP神经网络的输入为加速老化试验温度和加速老化试验时间，输出为老化下的性能保持率。步骤2中BP神经网络的输入参数和输出参数也可根据实际需要选择，本技术方案为操作上的简单化，将加速老化试验温度采用同一个温度值，设定神经网络的输入为加速老化试验时间和疲劳载荷，输出为老化和疲劳叠加下的性能保持率。
如上所述的基于BP神经网络的橡胶减振器使用寿命预测方法，所述步骤1和步骤2中加速老化试验为热空气加速老化试验，采用热空气加速老化试验进行加速老化试验。
如上所述的基于BP神经网络的橡胶减振器使用寿命预测方法，所述步骤1和步骤2中建立BP神经网络所用的训练样本中实验数据随机分为两部分，一部分为训练样本集，另一部分为测试样本集。
如上所述的基于BP神经网络的橡胶减振器使用寿命预测方法，所述步骤1和步骤2中所述的训练样本所用的实验数据需要进行处理后才能用于建立BP神经网络模型，进行处理的方法为归一化处理方法。归一化处理是为了加快训练网格的收敛性，加快网络学习速度，同时也是因为网络中的节点变换函数-sigmiod函数的取值是0到1之间的。归一化处理数据，归一化处理函数为
式中xmax、xmin为输入变量的最大值和最小值，x为输入变量、x'为归一化后的值。上述的sigmiod函数为网络的节点变换函数，即S型激活函数，其形式为：
上述步骤1和步骤2中BP神经网络模型的建立步骤主要包括：实验得到实验数据作为训练样本；选定合适的网络结构和参数，建立BP神经网络，以便于下一步对BP神经网络模型进行训练；利用训练样本对建立的BP神经网络模型进行训练，建立BP神经网络模型。
所述BP神经网络模型的训练的方法是：对于所给的输入数据，从输入层传递给隐含层，隐含层通过权值及激励函数将处理后的结果传递给输出层，将输出层的结果同正确结果进行比较，得到误差，再逆推对神经网络中的链接权值进行反馈修正，将定期产生的相应数据对BP神经网络进行多次训练，以完善模型的准确性，从而未完成学习的过程。所述参数包括初始权值和学习速率等，其中为了保证每个神经元的权值能够在他们的S型激活函数变化最大处进行调节，初始权值为(-1，-1)之间的随机数；为了保证系统的稳定性，通常选取较小的学习速率，并同时给定计算精度和最大学习次数。
所述反馈修正的具体方法是：设输入数据共有k组，将这k组数据中的任务数据量，对当前己建立的BP神经网络进行训练，具体来说，利用公式计算每一层每一单元的值，其中ai表示第i层每一单元的值，ωi表示第i层的权值，f(x)为激励函数，b为神经元阈值，通过己建立的BP神经网络计算出预测值之后，通过同真实完成时间进行比较，不断修改模型中的权值直到收敛，即完成本次训练。
所述修改模型中的权值直到收敛的方法是：通过计算误差函数输出层各神经元的偏导数δi，其中yj为输出层的数据，tj为真实结果，利用计算出的δi修正权值w，直至全局误差小于阔值或者学习次数达到最大次数设置。
所述步骤1和步骤2中的BP网络训练完成后，需要用测试数据对其进行检测，以检验网络的拟合和预测能力。若检测结果误差较小，则建立的网络可用于下一步的寿命预测；若检测结果误差较大，则需要对网络进行调整。
本发明的优点和积极效果在于：
本发明的方法能够更加准确的预测出橡胶减振器的使用寿命，在热空气加速老化实验和疲劳实验叠加的基础上，可以合理的建立橡胶减振器的使用寿命预测模型，较为准确的预测出减振器器在收到老化和疲劳共同作用时的使用寿命，克服了对老化寿命和疲劳寿命分开研究产生的对橡胶减振器的使用寿命预测不准确的缺点。
附图说明
图1为本发明的BP神经网络执行流程图。
图2为本发明的操作流程图。
图3为本发明的BP神经网络结构示意图。
具体实施方式
下面结合具体实施例，进一步阐述本发明，应理解这些实施例仅用于本发明而不用于限制本发明的范围，在阅读了本发明后，本领域技术人员对本发明的各种等价的修改均落于本申请所附权利要求所限定的范围。
BP神经网络是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络之一。BP网络学习能力和存储大量的输入-输出模式映射关系，而无需事前揭晓描述这种映射关系的数学方程。利用BP神经网络的这一特性，可以只确定影响使用寿命的因子的基础上进行预测，从而建立从而简化建立相应映射关系的过程，可以有效预测橡胶减振器的使用寿命。本发明通过将影响橡胶减振器使用的老化因素与疲劳因素结合在一起，设计了一种基于BP神经网络预测橡胶减振器使用寿命的方法。本发明的BP神经网络执行流程图如图1所示，先初始化网络，给定输入向量和目标输出，再确定网络结构和配置参数，求隐含层和输出层的输出，初求隐含层和输出层的训练误差，若训练误差小于设定误差，则输出最终取值，也就是预测值，若训练误差不小于设定误差，则重新调整参数，确定网络结构，配置参数，并根据训练误差重新判断，直至训练误差小于设定误差，输出最终取值。
一种基于BP神经网络的橡胶减振器使用寿命预测方法，先建立橡胶减振器老化寿命的BP神经网络模型，再根据所建立的橡胶减振器的老化寿命的BP神经网络模型，结合疲劳寿命，建立橡胶减振器使用寿命的BP神经网络模型，最后利用该使用寿命的BP神经网络模型预测使用寿命。本实施例的操作流程如图2所示。下面结合具体实施例详细介绍，并利用MATLAB仿真验证其有效性。
整个过程建立两次BP神经网络。两次建立的神经网络，输入输出的确定：设定有两个输入参数与一个输出参数，故网络的输入层为2个单元，输出层为1个单元。其中第一次建立的神经网络输入参数为加速老化试验温度和加速老化试验时间，输出参数为老化下的性能保持率；第二次建立的神经网络的输入参数为时间和疲劳载荷，输出参数为老化和疲劳叠加作用后的橡胶减振器的静刚度性能保持率。
性能保持率用下式表示
其中P为性能保持率，K为实验后橡胶减振器的静刚度，K1为未实验的橡胶减振器的静刚度。
第一步、建立橡胶减振器老化寿命的BP神经网络模型。进行热空气加速老化试验，在不同加速老化试验温度和加速老化试验时间条件下进行老化试验，并测量性能保持率，将这些实验数据作为该老化寿命的BP神经网络模型的训练样本。运用建立的老化寿命的BP神经网络模型预测老化寿命，即建立起橡胶减振器老化性能达到某性能保持率时，某一加速老化试验温度T下的加速老化试验时间与常温下的老化时间的对应关系。
对老化实验试验数据进行归一化处理，利用公式：
式中xmax、xmin为输入变量的最大值和最小值，x为输入变量、x'为归一化后的值。
对实验数据进行归一化处理，以便于下一步建立BP神经网络时，作为输入数据使用。
建立BP神经网络，BP神经网络的建立包括网络结构的选择和参数的选择。
BP神经网络的结构：网络为3层，即输入层，隐含层，输出层。具体如图3所示。隐含层的神经元采用S型变换函数，输出层为线性变换函数。其中S型变换函数为
BP神经网络的参数：网络权值，阈值的初值。由Matlab矩阵随机函数在(-1，1)之间指定网络权值、阈值的初值。
确定隐含层的神经元个数。由于所建立的BP神经网络含有两个输入参数，一个输出参数，根据经验公式可以初步得到大概的隐含层神经元个数3到16个，接着通过试凑调整的方式确定其具体个数：通过Matlab中的神经网络工具箱中的程序，隐含层神经元个数由1个逐个增加到15个，考虑到每次的神经网络的权值与阈值都是随机生成的，因此结果可能不同，循环程序又增加了网络的训练次数，即每次选择一个神经元个数后，至少进行50次网络训练，并得到相应的神经元个数下的平均测试误差平方和。
将实验数据分为两组：训练样本集和测试样本集。对60组实验数据进行学习，其中55组为训练集，5组为测试集，测试集为新的实验数据，即从未在训练集中出现过。
BP神经网络均采用误差反传学习算法，并使用梯度搜索技术，实现网络的实际输出与期望输出的均方差最小化。因此需要选择合适的算法以便于进行网络训练。选择合适的学习算法：由于橡胶减振器老化实验高度的非线性和复杂性，不同算法对于神经网络的泛化能力影响不同，实施例选择贝叶斯正则化算法来对神经网络进行学习，并预测橡胶减振器老化寿命。
BP神经网络模型的训练的方法是：对于所给的输入数据，从输入层传递给隐含层，隐含层通过权值及激励函数将处理后的结果传递给输出层，将输出层的结果同正确结果进行比较，得到误差，再逆推对神经网络中的链接权值进行反馈修正，将定期产生的相应数据对BP神经网络进行多次训练，以完善模型的准确性，从而未完成学习的过程。
对建立的网络进行训练前，确定网络训练参数：训练误差、学习速率、最大训练次数等。训练误差设定为0.001，学习速率设定为0.02，训练次数设定为200次。
对网络进行训练，隐含层通过sigmiod函数，即S型激活函数进行节点的变换。
在BP神经网络学习之前，必须预先将输出模式规格化到0-1之间，以确保网络的正常学习和反馈，以消除网络不收敛的情况。此外，为解决可能会遇到局部极小值的问题，所采取的办法是，使其在训练中拥有一定的活动范围，即不但可以向误差减小的方向移动，也可以向误差增大的方向移动。
训练样本的输入数据共有55组，将这55组数据中的任务数据量，对当前己建立的BP神经网络进行训练，具体来说，利用公式计算每一层每一单元的值，其中ai表示第i层每一单元的值，ωi表示第i层的权值，f(x)为激励函数，b为神经元阈值，通过己建立的BP神经网络计算出预测值之后，通过同真实完成时间进行比较，不断修改模型中的权值直到收敛，即完成本次训练。
所述修改模型中的权值直到收敛的方法是：通过计算误差函数输出层各神经元的偏导数δi，其中yj为输出层的数据，tj为真实结果，利用计算出的δi修正权值w，直至全局误差小于阔值或者学习次数达到最大次数设置。
将测试集的数据输入经过训练的神经网络进行测试，来对神经网络进行验证。若误差较小，则建立的神经网络可用；若误差较大则需要调整学习算法、网络结构和初始权值、阈值，挑选高质量的样本。
网络训练和测试完后，发现隐含层的个数为6时，在实例中的拟合效果最好。
BP神经网络第一次建立完成。因此，可以运用训练后的BP神经网络来建立试验温度373K下的加速老化试验时间与常温下的橡胶减振器的老化时间的对应关系。
第二步，建立橡胶减振器使用寿命的BP神经网络模型。
取工作5年的旧件，测量其性能保持率0.5，由上一步可知，常温下减振器使用5年对应实验温度373K下的23天；此时，仅老化后的橡胶减振器的性能达不到0.5，然后对热空气加速老化试验完的橡胶减振器进行疲劳试验，当实验进行到2×106次时，橡胶减振器的性能达到0.5。对于疲劳，我们认为每年的疲劳载荷是均匀且相等的，因此，每年的平均载荷可用即4×105表示。
在建立加速试验温度373K下的老化时间与常温下的老化时间的对应关系的基础上，我们便可以确定在该加速实验温度下老化时间所对应的疲劳载荷，例如在该温度下，老化8天，对应的常温下工作时间为1.2年，施加相应的疲劳载荷为4.8×105次，老化15天，对应的常温下工作时间为2年，施加相应的疲劳载荷为8×105次。
取多个与上述工作5年的旧件同样使用环境下的旧件，在试验温度373K下，进行热空气加速老化实验，在相应的老化时间点上，施加所对应的疲劳载荷。得到在该温度下加速试验老化时间、疲劳载荷所对应的减振器性能保持率的数据，以便第二次建立神经网络时，作为输入数据使用。该相应的老化时间点为在常温下工作M年的旧件基于第一步建立的老化寿命的BP神经网络模型对应的试验温度373K下的加速老化试验时间。
对实验试验数据进行归一化处理，同样利用公式：
建立BP神经网络，BP神经网络的建立包括网络结构的选择和参数的选择。
BP神经网络的结构：网络为3层，即输入层，隐含层，输出层。具体如图3所示。隐含层的神经元采用S型变换函数，输出层为线性变换函数。其中S型变换函数为
BP神经网络的参数：网络权值，阈值的初值。由Matlab矩阵随机函数在(-1，1)之间指定网络权值、阈值的初值。
确定隐含层的神经元个数。由于所建立的BP神经网络含有两个输入参数，一个输出参数，根据经验公式可以初步得到大概的隐含层神经元个数，接着通过试凑调整的方式确定其具体个数：通过Matlab中的神经网络工具箱中的程序，隐含层神经元个数由1个逐个增加到30个，考虑到每次的神经网络的权值与阈值都是随机生成的，因此结果可能不同，循环程序又增加了网络的训练次数，即每次选择一个神经元个数后，至少进行60次网络训练，并得到相应的神经元个数下的平均测试误差平方和。
将试验数据分为两组：训练样本集和测试样本集。对24组实验数据进行学习，其中20组为训练集，4组为测试集。
选择合适的学习算法，同样选择选择贝叶斯正则化算法来对神经网络进行学习，并预测橡胶减振器老化寿命。
对建立的网络进行训练前，确定网络训练参数：训练误差、学习速率、最大训练次数等。训练误差设定为0.0001，学习速率设定为0.02，训练次数设定为400次。
对网络进行训练，隐含层通过sigmiod函数，即S型激活函数进行节点的变换。
在BP神经网络学习之前，必须预先将输出模式规格化到0-1之间，以确保网络的正常学习和反馈，以消除网络不收敛的情况。此外，为解决可能会遇到局部极小值的问题，所采取的办法是，使其在训练中拥有一定的活动范围，即不但可以向误差减小的方向移动，也可以向误差增大的方向移动。
训练样本的输入数据共有20组，将这20组数据中的任务数据量，对当前己建立的BP神经网络进行训练，具体来说，利用公式计算每一层每一单元的值，其中ai表示第i层每一单元的值，ωi表示第i层的权值，f(x)为激励函数，b为神经元阈值，通过己建立的BP神经网络计算出预测值之后，通过同真实完成时间进行比较，不断修改模型中的权值直到收敛，即完成本次训练。
所述修改模型中的权值直到收敛的方法是：通过计算误差函数输出层各神经元的偏导数δi，其中yj为输出层的数据，tj为真实结果，利用计算出的δi修正权值w，直至全局误差小于阔值或者学习次数达到最大次数设置。
将测试集的数据输入经过训练的神经网络进行测试，来对神经网络进行验证。若误差较小，则建立的神经网络可用；若误差较大则需要调整学习算法、网络结构和初始权值、阈值，挑选高质量的样本。
网络训练和测试完后，发现隐含层的个数为5时，在实例中的拟合效果最好。
BP神经网络第二次建立完成。
第三步，运用所第二次建立的BP神经网络橡胶减振器老化寿命预测模型来对橡胶减振器的使用寿命进行预测，预测出该工作5年的旧件橡胶减振器使用到第8年时，性能下降到0.32，不建议再继续使用，成功完成使用寿命的预测。取一个实际工作8年的旧件，该旧件的实际使用环境与上述工作5年的旧件相同，利用疲劳试验测量测出实际使用8年的旧件的性能为0.31，预测结果与之相比，误差较小，准确率高。
当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。
Claims (5)
1.一种基于BP神经网络的橡胶减振器使用寿命预测方法，其特征在于，该方法包括以下步骤：
步骤1、建立橡胶减振器老化寿命的BP神经网络模型，其中进行加速老化试验时，在不同加速老化试验温度和加速老化试验时间条件下进行老化试验，并测量性能保持率，将这些实验数据作为该老化寿命的BP神经网络模型的训练样本；
运用建立的老化寿命的BP神经网络模型预测老化寿命，即建立起橡胶减振器老化性能达到某性能保持率时，某一加速老化试验温度T下的加速老化试验时间与常温下的老化时间的对应关系；
步骤2、建立橡胶减振器使用寿命的BP神经网络模型，该建立方法包括：
步骤21、取工作M年的旧件，测量其性能保持率为P，由所述步骤1中的老化寿命的BP神经网络模型得出，常温下橡胶减振器使用M年对应加速老化试验温度T下的加速老化试验时间m天；
此时，仅老化后的橡胶减振器的性能保持率达不到P，将新件在温度下T下进行加速老化试验m天后，再进行疲劳试验，当疲劳试验的疲劳载荷为N次时，橡胶减振器的性能保持率达到P；
对于疲劳，每年的疲劳载荷是均匀且相等的，得出每年的平均载荷用表示；
步骤22、取多个旧件，先利用步骤1中的老化寿命的BP神经网络模型预测出在某加速老化试验温度下的加速老化试验时间，再根据预测结果对旧件进行加速老化试验，然后对老化试验完的橡胶减振器进行疲劳试验，该疲劳试验的疲劳载荷根据该旧件的工作时间及所述步骤21中计算得到的平均载荷计算得到，最后对进行完疲劳试验的橡胶减振器测量性能保持率，将采用上述方法得到的实验数据作为该建立使用寿命的BP神经网络的训练样本；
步骤3、运用步骤2所建立的使用寿命的BP神经网络模型来对橡胶减振器的使用寿命进行预测。
2.根据权利要求1所述的基于BP神经网络的橡胶减振器使用寿命预测方法，其特征在于，所述步骤1和步骤2中BP神经网络的网络层数均为三层，分别为输入层、隐含层和输出层，输入层的神经元个数均为两个，输出层的神经元个数均为一个，隐含层神经元的个数均通过经验公式推算和试凑调整决定，激活函数均为S型激活函数；其中步骤1中BP神经网络的输入为加速老化试验温度和加速老化试验时间，输出为老化下的性能保持率；步骤2中BP神经网络的输入为加速老化试验时间和疲劳载荷，输出为老化和疲劳叠加下的性能保持率。
3.根据权利要求1所述的基于BP神经网络的橡胶减振器使用寿命预测方法，其特征在于，所述步骤1和步骤2中加速老化试验为热空气加速老化试验。
4.根据权利要求1所述的基于BP神经网络的橡胶减振器使用寿命预测方法，其特征在于，所述步骤1和步骤2中建立BP神经网络所用的训练样本中实验数据随机分为两部分，一部分为训练样本集，另一部分为测试样本集。
5.根据权利要求1所述的基于BP神经网络的橡胶减振器使用寿命预测方法，其特征在于，所述步骤1和步骤2中所述的训练样本所用的实验数据需要进行处理后才能用于建立BP神经网络模型，进行处理的方法为归一化处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510161451.8A CN104834808A (zh) | 2015-04-07 | 2015-04-07 | 基于bp神经网络的橡胶减振器使用寿命预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510161451.8A CN104834808A (zh) | 2015-04-07 | 2015-04-07 | 基于bp神经网络的橡胶减振器使用寿命预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN104834808A true CN104834808A (zh) | 2015-08-12 |
Family
ID=53812691
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510161451.8A Withdrawn CN104834808A (zh) | 2015-04-07 | 2015-04-07 | 基于bp神经网络的橡胶减振器使用寿命预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104834808A (zh) |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106597847A (zh) * | 2016-11-09 | 2017-04-26 | 南京航空航天大学 | 一种基于递归神经网络的机动载荷控制器及其控制方法 |
| CN107590565A (zh) * | 2017-09-08 | 2018-01-16 | 北京首钢自动化信息技术有限公司 | 一种构建建筑能耗预测模型的方法及装置 |
| CN107944554A (zh) * | 2016-11-30 | 2018-04-20 | 中国航空工业集团公司沈阳飞机设计研究所 | 一种基于反向传播神经网络的发电机寿命预测算法 |
| CN109190749A (zh) * | 2018-06-25 | 2019-01-11 | 中国电力科学研究院有限公司 | 一种用于智能电表寿命的预测方法及装置 |
| CN109186967A (zh) * | 2018-07-18 | 2019-01-11 | 西安交通大学 | 一种基于bp神经网络的橡胶减振器性能预测及选型方法 |
| CN110245391A (zh) * | 2019-05-28 | 2019-09-17 | 上海发电设备成套设计研究院有限责任公司 | 一种基于人工神经网络用硬度预测寿命的方法 |
| CN111709110A (zh) * | 2020-04-30 | 2020-09-25 | 工业互联网创新中心（上海）有限公司 | 工业机器人第七轴滑台同步带寿命预测方法及设备 |
| CN112989691A (zh) * | 2021-02-09 | 2021-06-18 | 航天材料及工艺研究所 | 一种优化的橡胶老化性能预测方法 |
| CN113987917A (zh) * | 2021-09-24 | 2022-01-28 | 西安交通大学 | 基于bp神经网络的丁腈橡胶密封圈剩余寿命预测方法 |
| CN114006809A (zh) * | 2021-10-09 | 2022-02-01 | 北京天融信网络安全技术有限公司 | 调整工控防火墙数据传输的方法、装置、设备和存储介质 |
| WO2022052333A1 (zh) * | 2020-09-08 | 2022-03-17 | 中国电器科学研究院股份有限公司 | 基于环境大数据和机器学习的高分子材料服役寿命预测方法 |
| CN114264466A (zh) * | 2021-12-23 | 2022-04-01 | 潍柴动力股份有限公司 | 减振器寿命的预测方法和装置 |
| CN114997692A (zh) * | 2022-06-17 | 2022-09-02 | 哈尔滨工业大学 | 基于bp神经网络的转台测量回转基准角摆误差评定方法 |
| WO2022239749A1 (ja) * | 2021-05-11 | 2022-11-17 | 株式会社ブリヂストン | 推定装置、推定方法、プログラム、及び学習モデル生成装置 |
-
2015
- 2015-04-07 CN CN201510161451.8A patent/CN104834808A/zh not_active Withdrawn
Cited By (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106597847A (zh) * | 2016-11-09 | 2017-04-26 | 南京航空航天大学 | 一种基于递归神经网络的机动载荷控制器及其控制方法 |
| CN106597847B (zh) * | 2016-11-09 | 2020-03-17 | 南京航空航天大学 | 一种基于递归神经网络的机动载荷控制器及其控制方法 |
| CN107944554B (zh) * | 2016-11-30 | 2021-08-17 | 中国航空工业集团公司沈阳飞机设计研究所 | 一种基于反向传播神经网络的发电机寿命预测算法 |
| CN107944554A (zh) * | 2016-11-30 | 2018-04-20 | 中国航空工业集团公司沈阳飞机设计研究所 | 一种基于反向传播神经网络的发电机寿命预测算法 |
| CN107590565A (zh) * | 2017-09-08 | 2018-01-16 | 北京首钢自动化信息技术有限公司 | 一种构建建筑能耗预测模型的方法及装置 |
| CN109190749A (zh) * | 2018-06-25 | 2019-01-11 | 中国电力科学研究院有限公司 | 一种用于智能电表寿命的预测方法及装置 |
| CN109186967A (zh) * | 2018-07-18 | 2019-01-11 | 西安交通大学 | 一种基于bp神经网络的橡胶减振器性能预测及选型方法 |
| CN109186967B (zh) * | 2018-07-18 | 2019-10-11 | 西安交通大学 | 一种基于bp神经网络的橡胶减振器性能预测及选型方法 |
| CN110245391A (zh) * | 2019-05-28 | 2019-09-17 | 上海发电设备成套设计研究院有限责任公司 | 一种基于人工神经网络用硬度预测寿命的方法 |
| CN110245391B (zh) * | 2019-05-28 | 2023-07-18 | 上海发电设备成套设计研究院有限责任公司 | 一种基于人工神经网络用硬度预测寿命的方法 |
| CN111709110A (zh) * | 2020-04-30 | 2020-09-25 | 工业互联网创新中心（上海）有限公司 | 工业机器人第七轴滑台同步带寿命预测方法及设备 |
| WO2022052333A1 (zh) * | 2020-09-08 | 2022-03-17 | 中国电器科学研究院股份有限公司 | 基于环境大数据和机器学习的高分子材料服役寿命预测方法 |
| CN112989691A (zh) * | 2021-02-09 | 2021-06-18 | 航天材料及工艺研究所 | 一种优化的橡胶老化性能预测方法 |
| WO2022239749A1 (ja) * | 2021-05-11 | 2022-11-17 | 株式会社ブリヂストン | 推定装置、推定方法、プログラム、及び学習モデル生成装置 |
| CN113987917A (zh) * | 2021-09-24 | 2022-01-28 | 西安交通大学 | 基于bp神经网络的丁腈橡胶密封圈剩余寿命预测方法 |
| CN113987917B (zh) * | 2021-09-24 | 2024-04-09 | 西安交通大学 | 基于bp神经网络的丁腈橡胶密封圈剩余寿命预测方法 |
| CN114006809A (zh) * | 2021-10-09 | 2022-02-01 | 北京天融信网络安全技术有限公司 | 调整工控防火墙数据传输的方法、装置、设备和存储介质 |
| CN114006809B (zh) * | 2021-10-09 | 2023-11-28 | 北京天融信网络安全技术有限公司 | 调整工控防火墙数据传输的方法、装置、设备和存储介质 |
| CN114264466A (zh) * | 2021-12-23 | 2022-04-01 | 潍柴动力股份有限公司 | 减振器寿命的预测方法和装置 |
| CN114264466B (zh) * | 2021-12-23 | 2024-03-19 | 潍柴动力股份有限公司 | 减振器寿命的预测方法和装置 |
| CN114997692A (zh) * | 2022-06-17 | 2022-09-02 | 哈尔滨工业大学 | 基于bp神经网络的转台测量回转基准角摆误差评定方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104834808A (zh) | 基于bp神经网络的橡胶减振器使用寿命预测方法 | |
| CN103730006B (zh) | 一种短时交通流量的组合预测方法 | |
| CN103514366B (zh) | 一种城市空气质量浓度监测缺失数据的修复方法 | |
| CN105354363A (zh) | 基于核极限学习机的脉动风速预测方法 | |
| CN104316341A (zh) | 一种基于bp神经网络的地下结构损伤识别方法 | |
| CN104217258B (zh) | 一种电力负荷条件密度预测方法 | |
| CN105488328B (zh) | 一种基于人工神经元网络的疲劳裂纹扩展速率预测方法 | |
| CN105243259A (zh) | 基于极限学习机的脉动风速快速预测方法 | |
| CN103942461A (zh) | 基于在线贯序极限学习机的水质参数预测方法 | |
| CN101915733B (zh) | 一种基于频率变化的结构损伤程度评估方法 | |
| CN103226741A (zh) | 城市供水管网爆管预测方法 | |
| CN103793887B (zh) | 基于自适应增强算法的短期电力负荷在线预测方法 | |
| CN103558554A (zh) | 一种新能源汽车动力电池soh在线估算的方法 | |
| CN104697920A (zh) | 一种橡胶减振器使用寿命的预测方法 | |
| CN104035037A (zh) | 一种新能源汽车动力电池soh在线估算的方法 | |
| CN104598765A (zh) | 一种基于弹性自适应神经网络的建筑物能耗预测方法 | |
| CN105335619A (zh) | 适用于高计算代价数值计算模型参数反分析的协同优化法 | |
| CN108898512A (zh) | 基于bp神经网络的城市供水管网模型校核方法 | |
| CN109508498A (zh) | 基于bp人工神经网络的橡胶减振器配方设计系统及方法 | |
| CN107947738A (zh) | 一种太阳能无人机电池板电压的预测方法 | |
| CN104134103B (zh) | 利用修正的bp神经网络模型预测热油管道能耗的方法 | |
| CN109657289A (zh) | 基于灵敏度分析的参数分类-分步模型修正方法 | |
| CN104268792A (zh) | 高载能用电企业能效综合评价模型 | |
| CN103559340B (zh) | 一种基于comi‑pso算法的不相关多源频域载荷识别方法 | |
| CN109186967B (zh) | 一种基于bp神经网络的橡胶减振器性能预测及选型方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| EXSB | Decision made by sipo to initiate substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C04 | Withdrawal of patent application after publication (patent law 2001) | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20150812 |